数据结构与算法分析-算法分析

最新推荐文章于 2022-01-10 20:32:23 发布

帅到没朋友fx

最新推荐文章于 2022-01-10 20:32:23 发布

阅读量364

点赞数 1

分类专栏：数据结构与算法分析-C语言描述（原书第二版）文章标签：算法数据结构算法导论

本文链接：https://blog.csdn.net/u011714517/article/details/104025240

版权

本文深入探讨了算法分析的基础，包括大O符号（O）、Omega符号（Ω）和Theta符号（Θ）的定义，阐述了它们在衡量函数增长率中的作用。通过举例说明了如何使用这些符号来比较不同算法的效率。此外，文章还介绍了几个算法分析的法则，如for循环、嵌套循环和顺序语句的运行时间计算，并提供了实例来解释这些法则。通过对最大子序列和问题的解析，展示了不同复杂度的算法解决方案，包括O(N^3)、O(N^2)和O(NlogN)的算法。最后，文章讨论了对数在运行时间中的作用，包括二分查找和欧几里得算法的O(logN)运行时间，以及幂运算的O(logN)算法。

摘要由CSDN通过智能技术生成

算法分析

算法（algorithm）是为求解一个问题需要遵循的、被清楚地指定的简单指令的集合。

数学基础

定义： 如果存在正常数 $c$ 和 $n_0$ 使得当 $N\geq n_0$ 时 $T(N)\leq cf(N)$ ，则记为 $T (N) = O (f (N))$ 。

定义： 如果存在正常数 $c$ 和 $n_0$ 使得当 $N\geq n_0$ 时 $T(N)\geq cg(N)$ ，则记为 $T(N)=\Omega(f(N))$ 。

定义： $T(N)=\Theta(h(N))$ 当且仅当 $T (N) = O (h (N))$ 且 $T(N)=\Omega(h(N))$ 。

定义： 如果 $T (N) = O (p (N))$ 且 $T(N)\neq\Theta(p(N))$ ，则 $T (N) = o (p (N))$ 。

这些定义的目的是要在函数之间建立一种相对的级别。给定两个函数，通常存在一些点，在这些点上一个函数的值小于另一个函数的值，因此，像 $f (N) < g (N)$ 这样的声明是没有什么意义的。于是，我们比较它们的相对增长率（relative rate of growth)。

如果用传统的不等式来计算增长率，那么第一个定义是说 $T (N)$ 的正常率小于等于 $f (N)$ 的增长率。第二个定义 $T(N)=\Omega(g(N))$ （念成“Omega”）是说 $T (N)$ 的增长率大于等于 $g (N)$ 的增长率。第三个定义 $T)N=\Theta(h(N))$ （念成“Theta”）是说 $T (N)$ 的增长率等于 $h (N)$ 增长率。最后一个定义 $T (N) = o (p (N))$ （念成“小o”）说的则是 $T (N)$ 的增长率小于 $p (N)$ 的增长率。它不同于大O，因为大O包含增长率相同这种可能性。

当我们说 $T (N) = O (f (N))$ 时，我们是在保证函数 $T (N)$ 是在不快于 $f (N)$ 的速度增长；因此 $f (N)$ 是 $T (N)$ 的一个上界（upper bound）。与此同时， $f(N)=\Omega(T(N))$ 意味着 $T (N)$ 是 $f (N)$ 的一个下界（lower bound）。

作为一个例子， $N^3$ 的增长比 $N^2$ 快，因此我们说 $N^2=O(N^3)$ 或 $N^3=\Omega(N^2)$ 。 $f(N)=N^2$ 和 $g(N)=2N^2$ 以相同的速率增长时，从而 $f (N) = O (g (N))$ 和 $f(N)=\Omega(g(N))$ 都是正确的。直观地说，如果 $g(N)=2N^2$ ，那么 $g(N)=O(N^4)，g(N)=O(N^3)，g(N)=O(N^2)$ 从技术上都是成立的，但最后一个选择是最好的答案。